柴油机故障诊断中振动信号测点位置的研究

在295柴油机上进行设定的进排气系统故障实验,获取各工况下三个不同测点位置的缸盖振动信号,然后利用改进的基于神经网络和小波分析的故障诊断方法进行分析.实验和仿真结果表明,不同测点获取的振动信号蕴含故障特征是不同的.从缸盖上方采集的振动信号更能表征各种故障特征,其故障准确识别率达到95.4%,较其他两个测点有大幅度提高.为基于振动信号的柴油机故障诊断提供了最佳的测点位置,以提高故障的诊断准确性.对其他复杂机械的振动诊断同样具有参考价值.     

二维小波变换在粮虫图像处理中的应用

提出了用小波变换检测储粮害虫图像边缘的方法,这种方法通过对二维小波变换图像局部极大值的检测得到图像的边缘信息.计算表明,将二维小波变换应用于储粮害虫的图像去噪和边缘检测,不仅可以保留图像的边缘特征,视觉效果好,还可以得到较清晰的粮虫特征图像,为粮虫图像特征提取打下了良好的基础.     

基于支持向量机的小波域自适应水印算法

提出一种小波域中基于小波系数方向树模型的支持向量机自适应水印算法.利用支持向量机在小样本的情况下具有良好的学习和泛化性能的特点,建立小波域内不同尺度上同方向子带内相同空间位置的小波系数间的关系模型;根据关系模型来嵌入和提取水印.为提高图像视觉效果,采用模糊聚类的方法自适应地选取水印的嵌入位置.实验结果表明:该方法对常见的图像攻击具有很好的鲁棒性,而且水印的隐蔽性好、安全性强.     

湍流多尺度相干结构间歇性的PIV实验研究

利用粒子成像测速(PIV)系统测量了湍流边界层中流向速度平面,并对湍流多尺度相干结构统计特性进行了实验研究.利用连续子波变换,计算了不同尺度、不同法向位置的子波系数概率密度函数.结果发现缓冲区有着更强的间歇性.利用子波系数量化湍流间歇性的方法,应用推广的自相似律(ESS),计算了子波系数结构函数的标度指数.研究表明:当多尺度相干结构被提取出后,利用子波系数计算的ESS标度律就符合科尔莫戈罗夫提出的线性标度律,验证了多尺度相干结构是湍流边界层产生奇异标度律的原因.此外,利用PIV系统测量的数据,给出了流向平面内的以子波系数表达的能量分布.这种方法有利于进一步对多尺度相干结构在空间平面内的辨识与特性进行研究.     

基于小波变换和凸集投影的数据恢复和建模算法

在过程控制中,当参数仅能以低采样率获得时,数据恢复就在建模中显得非常重要.本文提出了基于小波变换和凸集投影的数据恢复和建模算法.待恢复数据的先验知识采用凸集表达,并利用向凸集迭代投影(POCSProjection onto Convex     

基于系统参数估计时间序列的小波分析故障诊断方法

提出了一种失效性故障诊断的新方法.这种方法将基于解析模型的故障诊断技术和基于信号分析的故障诊断技术结合起来,对系统参数的递推最小二乘估计时间序列进行小波分析,得到故障特征值,兼有两种故障诊断技术的优点.本文还讨论了对于模型参数估计时间序列小波分析的基函数及尺度选取方法问题,仿真结果表明该方法的有效性和准确性非常明显,具有一定的实用价值.     

基于小波空间的视图变形研究

视图变形技术是基于图象绘制中的一项关键技术,本文分析了该技术中基础矩阵的实现算法,结合小波变换的基本原理,分析了利用小波变换实现变形的基本原理,最终提出了实现的算法。     

1961-2014年西安市秋淋气候特征分析

利用1961-2014年8-10月西安市7个气象站逐日降水资料,采用降水强度指数分析了西安市秋淋天气气候变化特征.结果表明,20世纪90年代是近50年来西安市秋季9~10月降水量最少的阶段.1961年以来西安市共有23 a出现秋淋多雨时段,20世纪60年代至80年代中期较多,1983年和1984年出现强秋淋;20世纪80年代中期至21世纪10年代初期,只有1992年出现了1次秋淋天气;2011年以来,秋淋呈明显上升、增强趋势.1961-2014年秋淋天气过程平均降水量呈上升趋势,偏多年份主要出现在20世纪80年代初中期和21世纪.厄尔尼诺使秋季9~10月降水量减少,与秋淋天气存在明显的负相关关系.近54年西安市秋淋没有发生显著的气候突变,存在4~6 a、10 a和24 a左右的长振荡周期.     

基于DSP＆CPLD的便携式振动信号处理系统

为了更准确方便地诊断设备运行特性,结合FFT和小波分析原理设计了一种基于DSP＆CPLD的便携式振动信号处理系统。系统的硬件电路由信号调理电路、数据采集处理模块和外围电路等组成,其软件部分由主程序模块、数据采集处理程序和LCD显示程序等组成,能够实时采集振动信号,显示并存储静态特性、振动波形和频谱等数据。     

A Neuro‐wavelet Model for the Short‐Term Forecasting of High‐Frequency Time Series of Stock Returns

We propose a wavelet neural network (neuro‐wavelet) model for the short‐term forecast of stock returns from high‐frequency financial data. The proposed hybrid model combines the capability of wavelets and neural networks to capture non‐stationary nonlinear attributes embedded in financial time series. A comparison study was performed on the predictive power of two econometric models and four recurrent neural network topologies. Several statistical measures were applied to the predictions and standard errors to evaluate the performance of all models. A Jordan net that used as input the coefficients resulting from a non‐decimated wavelet‐based multi‐resolution decomposition of an exogenous signal showed a consistent superior forecasting performance. Reasonable forecasting accuracy for the one‐, three‐ and five step‐ahead horizons was achieved by the proposed model. The procedure used to build the neuro‐wavelet model is reusable and can be applied to any high‐frequency financial series to specify the model characteristics associated with that particular series. Copyright © 2013 John Wiley & Sons, Ltd.